终极SLAM大一统方案来了！Ultra-Fusion爆杀60+开源系统，刷爆五大benchmark！

论文标题：Ultra-Fusion: A Resilient Tightly-Coupled Multi-Sensor Fusion SLAM Framework under Sensor Degradation and Spatiotemporal Perturbation for Intelligent Transportation Systems
论文链接：https://arxiv.org/pdf/2606.21223
项目链接：https://sjtuyinjie.github.io/ultrafusion-web/

01 四大独创模块构成一体化鲁棒定位底座

整套系统以统一滑动窗口估计器为核心，搭配可观测性自适应初始化、因子级可靠性调度、在线时空双校准三大配套模块，任意传感器组合共用一套状态、边缘化、求解逻辑，不需要分系统调度。

图| Ultra-Fusion 整体总览 —— 跨传感器、多平台、多场景统一框架示意图

1. 统一滑动窗口：多模态观测统一建模，实现WIO/VIO/LIO/LVIO自由切换

传统融合方案会把激光里程计、视觉里程计作为外部先验塞进优化窗口，相当于二次信息压缩，丢失原始点、像素观测带来的精细约束。

Ultra-Fusion直接将激光点到平面残差、视觉重投影残差、IMU预积分、轮速预积分、GNSS位置约束全部作为可选择因子放入同一个优化窗口。

图| Ultra-Fusion 完整框架流程图

系统状态仅包含位姿、速度、IMU零偏，激光/相机/轮速外参、时序偏移作为可校准附加变量，不需要针对不同传感器修改状态维度。

文中核心目标公式仅做简化解读，不堆砌复杂推导：

$\min_{\mathcal{X}} \mathcal{L}_{prior} + \sum \lambda_m \cdot \rho(r_m)$

$\mathcal{X}$ 代表窗口内所有设备状态， $\mathcal{L}_{prior}$ 是历史边缘化先验项； $r_m$ 是各类传感器残差， $\lambda_m$ 由可靠性调度动态分配权重， $\rho$ 为鲁棒损失函数。

无论开启轮速（WIO）、纯视觉（VIO）、纯激光（LIO）还是激光视觉轮速全融合（LVWIO），优化目标形式完全一致，仅增减对应残差项，工程适配成本大幅降低。

同时针对激光扫描内运动畸变采用Slerp球面插值校正点云时间偏移，无需复杂连续时间轨迹模型，兼顾计算效率与点云精度，单帧优化耗时仅5~10ms，满足车载实时需求。

2. 可观测性自适应初始化：解决开机长时间等待、初始漂移问题

传统SLAM固定初始化流程：静止等待重力对齐，或是依赖充足视觉特征，在无光、无几何的场景下初始化耗时动辄数秒，初始误差极大。

图| 不同方案初始化延迟与 20 秒短时定位精度对比表

Ultra-Fusion设计四分支启动逻辑，系统自动根据运动激励、激光有效点数、视觉特征数量选择初始化模式：

动态视觉惯性初始化：光照充足、运动幅度大时采用SfM对齐；
静止/轮速辅助初始化：车辆原地、低速场景依靠IMU重力与轮速约束；
激光辅助MAP初始化：狭长走廊、无纹理场景依靠激光几何先验；
延迟初始化：观测不足时持续缓存数据，不输出错误轨迹。

在18组跨数据集序列测试中，对比FAST-LIVO2、Ground-Fusion++，Ultra-Fusion平均初始化延迟仅0.153秒，20秒短时轨迹平均误差0.483米；关闭自适应模块后延迟飙升至4.6秒，误差扩大数十倍，自适应初始化对冷启动稳定性提升极为明显。

3. 因子级可靠性调度（FRS）：退化观测精准抑制，多模态互相兜底

这是论文最核心的创新，区别于前端简单过滤的传统退化处理思路。框架为相机、激光、IMU、轮速、GNSS五类传感器分别设计量化退化分数，分数越高代表观测可信度越低，后端自动对残差降权或直接屏蔽。

图| 因子可靠性调度消融实验误差对比图

激光退化打分：依靠Hessian矩阵特征值判断几何丰富度，狭长走廊、墙面单一平面场景自动弱化激光约束；

视觉退化打分：统计有效特征数量、空间分布均匀度、平均重投影误差，暗光、遮挡场景降低视觉权重；
轮速打分：对比IMU推算运动与轮速增量差值，草地打滑、悬浮车轮直接屏蔽轮因子；
GNSS打分：根据卫星数量、定位精度、观测残差，隧道无卫星时彻底关闭GNSS项。

消融实验数据客观反映收益：单独开启激光FRS，退化场景平均误差降低75.3%；视觉模块降低36.2%，轮速模块降低41.3%。需要客观看待指标边界：该提升仅针对几何/光照/打滑类退化场景，完全无任何传感器的极端盲区，依旧会产生漂移，不存在100%零误差的方案。

图| 四类典型传感器退化场景轨迹定性效果图

4. 在线时空自校准（OSC）：长期运行抑制外参时序漂移

多数在线校准方案存在缺陷：弱激励环境下持续更新参数，引入更大偏差。Ultra-Fusion拆分时序、旋转外参两条独立校准线程，设置双重准入门槛，仅满足多轴旋转、充足观测时才更新参数。

图| 注入不同 IMU 时间偏移下各方案 RMSE 误差对比表

时序校准：通过互相关匹配IMU角速度与激光运动曲线，搜索最优时间偏移，最大支持±500ms偏差修正；人为注入±200ms延迟的仿真序列，基线方案误差米级，Ultra-Fusion仍维持分米级精度；
激光-IMU旋转外参校准：利用扫描匹配与IMU预积分旋转约束，SVD闭式求解旋转矩阵，当多轴运动不足时锁定外参，避免错误修正。